A lassú oszcilláció fázisainak detektálása

A up- és down state-eket intracelluláris elvezetésekből a membránpotenciál bimodális eloszlása alapján lehet detektálni (Volgushev és mtsai 2006), viszont

62

extracelluláris jelekből a lassú oszcilláció fázisainak meghatározása már komplexebb feladat. Több módszert is kidolgoztak az elmúlt évek során, melyek nagy része a lokális mezőpotenciálok feldolgozásán alapszik. Mukovski és csoportja a gamma sávot (20-100 Hz) használta detekcióra (Mukovski és mtsai 2007), míg Saleem és munkatársai a megfelelő kérgi állapotot a mély kérgi LFP fázisa alapján határozták meg patkányok hallókérgéből (Saleem és mtsai 2010). Csoportunk humán adatokon a Hilbert-transzformációt alkalmazta az LFP jelek pillanatnyi fázisának kiszámolásához, melyből azután már meghatározhatóak az up és down-state-ek (Csercsa és mtsai 2010). Sakata és Harris LFP helyett a MUA görbék simított változatát használta az aktív fázisok detekciójára (Sakata és Harris 2009).

9. ábra – A soksejt-aktivitás alapú állapotdetekciós algoritmus lépései. Az elvezetett szélessávú jelből (fent) szűréssel kinyerjük a t (500-5000 Hz). Ezt követően a MUA-ból egy további szűréssel kinyerjük a MUA burkológörbéjét (30 Hz-es aluláteresztő szűrő), majd manuálisan kiválasztott down-state-ek átlagos amplitúdójának és szórásának értékeiből számolt küszöbértékkel (Th, szaggatott zöld vonal) meghatározzuk az up-state-ek (U) és down-state-ek (D) kezdőidőpontjait. Végül ezeket az időértékeket eltároljuk későbbi feldolgozásra. A detektált fázisokat az alsó görbe mutatja. A szaggatott piros vonalak a ’down-up’ átmenetet jelölik.

Az általunk alkalmazott módszer, mellyel a lassú oszcilláció fázisainak kezdetét detektáltuk, a 9. ábrán látható. Röviden összefoglalva az algoritmus a következőképpen működik: az elvezetett szélessávú jelből (0.1-7000 Hz) megfelelő szűréssel szétválasztottuk az alacsonyabb frekvenciakomponenseket tartalmazó lokális mezőpotenciált (frekvenciatartomány: 0.6-500 Hz) és a soksejt-aktivitást

63

(frekvenciatartomány: 500-5000 Hz). A soksejt-aktivitás kinyeréséhez egy 500 és 5000 Hz közötti fázistolás nélküli sáváteresztő szűrőt használtunk, 24 dB/oktávos meredekséggel. A szűrt jelet egyenirányítottuk, majd a kapott fájlokat a rövidebb feldolgozási idő és kisebb tárolási kapacitás érdekében alulmintavételeztük az eredeti 20 kHz-es mintavételezési rátáról 2 kHz-re. Ezt követően egy további szűrővel kinyertük az egyenirányított MUA jel burkológörbéjét (30 Hz-es aluláteresztő szűrő, véges-impulzusválasz, zéró-fázistolás, 24 dB/oktáv). Végül a 23 szűrt csatornából kinyert burkológörbék értékeit mintapontonként összeadtuk, mely az intracellulárisan elvezetett lassú oszcillációhoz hasonló görbét eredményezett (9. ábra). A csatornák értékeinek összeadásával robusztusabban, kisebb detekciós hibával működött az algoritmus, mintha csak egy csatornán próbáltuk volna meg detektálni a fázisokat. A csatornák összeadása után kapott görbén pozitív csúcsok felelnek meg az erős sejtaktivitással járó up-state-eknek, a lapos, nullához közeli szakaszok pedig a sejttüzelés-mentes inaktív fázisokat jelzik. A végeredményül kapott idősor amplitúdó-hisztogramjának kiszámolásával egy jól láthatóan bimodális eloszlást kapunk (10. ábra).

10. ábra – A detekciós algoritmussal kapott görbe amplitúdó-hisztogramja. A hisztogram bimodális eloszlást mutat, ahol a nullához közeli, nagyobb és keskenyebb csúcs felel meg a down-state-eknek, a laposabb és szélesebb csúcs pedig az up-state-ekhez tartozó értékeknek. Az értékeket normalizáltuk. A szaggatott zöld vonal jelöli a számolt küszöbérték helyét. Jól látható, hogy a küszöbérték a bimodális eloszlás két csúcsa közé esik.

Utolsó lépésként egy küszöbértéket kell kiszámolnunk, mely megadja az up- és down-state kezdeteket. A küszöbértéket a következőképpen kaptuk meg: kiszámoltuk 50

64

véletlenszerűen kiválasztott (100 ms-nál hosszabb) down-state esetén ezek hosszának felénél található MUA értékek átlagos amplitúdóját (AVG) és szórását (STD). Ez egy jó becslést eredményezett az adott elvezetésben található összes down-state amplitúdóértékére (Mivel a down-state alatt nincs, vagy csak nagyon minimális a sejtaktivitás, ezért ezeknek az értékeknek nulla közelinek kellene lennie, azonban, a csatornánként jelenlévő és eltérő nagyságú háttérzaj miatt a végeredmény valamivel nagyobb lesz nullánál). A detekcióhoz használt küszöbértéket ezt követően AVG + 3 * STD (9. ábra, szaggatott zöld vonal) értékre állítottuk be, mellyel megfelelő minőségű MUA jel esetén a számunkra szükséges és elégséges pontossággal detektálni tudtuk az up- és down-state-ek kezdőidőpontjait. Ennél alacsonyabb küszöbértékek esetén az algoritmus gyakran hamis up-state-eket talált az inaktív fázisokon belül, a magasabb küszöbértékek használata pedig pontatlanabbul detektálta az up-state kezdeteket. Az előzetes vizsgálataink és tapasztalataink alapján a detekciós algoritmusban a minimális up-state hosszt 50 ms-ra állítottuk be, míg a legrövidebb down-state-eket 100 ms-nak választottuk. Ennél kisebbre választott down-state hosszúság esetén gyakran előfordult, hogy az algoritmus rövid down-state szakaszokat detektált egy hosszabb up-state-en belül. Ennek az az oka, hogy a szomatoszenzoros kéregben az up-state-ek alatt egy valószínűleg talamikus eredetű orsó aktivitás is detektálható 10 Hz körüli frekvenciával, ami hasonló frekvenciájú fluktuációt okoz a sejtaktivitásban is az aktív fázisokon belül, néhol átlépve a detekcióhoz meghatározott küszöbértéket.

Az up-state-ek kezdő és befejező időpontjai azok a mintapontok lettek, ahol a származtatott burkológörbe metszette a kiszámolt küszöbértéket (9. ábra, piros és zöld szaggatott vonalak metszőpontja). Ezek az időértékek elvezetésenként külön fájlokba kerültek mentésre. A MUA és LFP jelek azon szakaszait, melyek műtermékeket tartalmaztak (szaturáció, elektromos zaj stb.) kizártuk a további feldolgozásból egy, a NeuroScan szoftverben implementált műtermék-szűrő módszer segítségével. 1300 ms hosszú szakaszokat (epoch) vágtunk ki a folytonos LFP és MUA jelekből a detektált fáziskezdetek körül. A kivágott epochok 500 ms hosszú részt tartalmaztak a detektált fáziskezdetek előtt és egy 800 ms hosszú szakaszt utána. Egy végső műtermék-eltávolító és ellenőrző folyamattal meggyőződtünk a feldolgozott adatok megfelelő minőségéről. A műtermék-eltávolítás után megmaradt szakaszokat az up-state-ek hossza alapján csoportosítottuk, majd átlagoltuk őket. Az aktív fázisok három csoportját vizsgáltuk:

65

rövid (50-200 ms), átlagos hosszúságú (200-400 ms) és hosszú ( > 400 ms) up-state-eket.

A három up-state csoporton kívül analizáltuk még a 200-400 ms-os hossztartományba eső down-state-eket is.